cwx 发表于 2018-11-17 09:44:45

Apache Arrow官方文档-元数据

元数据:逻辑类型,模式,数据头
  这是Arrow元数据规范的文档,它使系统能够通信


[*]逻辑数组类型(使用Layout.md中指定的物理内存布局实现)
[*]Arrow数据结构的表格集合的模式
[*]“数据头”指明内存缓冲区的物理位置,内存缓冲区不复制内存而足以重建Arrow数据结构。
规范实现
  我们正在使用Flatbuffers进行低开销读写Arrow元数据。请参阅Message.fbs。

架构
    Schema类型描述了由任意数量的Arrow数组组成的表状结构,每个Arrow数组可以被解释为表中的一列。模式本身不描述任何特定数据集的物理结构。

  模式由一系列字段组成,这些字段是描述列的元数据。Flatbuffers>  

table Field {  
// Name is not required, in i.e. a List
  
name: string;
  
nullable: bool;
  
type: Type;
  
// present only if the field is dictionary encoded
  
// will point to a dictionary provided by a DictionaryBatch message
  
dictionary: long;
  
// children apply only to Nested data types like Struct, List and Union
  
children: ;
  
/// layout of buffers produced for this type (as derived from the Type)
  
/// does not include children
  
/// each recordbatch will return instances of those Buffers.
  
layout: [ VectorLayout ];
  
// User-defined metadata
  
custom_metadata: [ KeyValue ];
  
}
  

  type是字段的逻辑类型。嵌套类型(如List,Struct和Union)具有一系列子字段。
  还提供了该模式的JSON表示形式:字段:
  

{  
"name" : "name_of_the_field",
  
"nullable" : false,
  
"type" : /* Type */,
  
"children" : [ /* Field */ ],
  
"typeLayout" : {
  
"vectors" : [ /* VectorLayout */ ]
  
}
  
}
  

  VectorLayout:

  

{  "type" : "DATA|OFFSET|VALIDITY|TYPE",
  "typeBitWidth" : /* int */
  
}
  

  
Type:
  
{
  "name" :"null|struct|list|union|int|floatingpoint|utf8|binary|fixedsizebinary|bool|decimal|date|time|timestamp|interval"
  // fields as defined in the Flatbuffer depending on the type name
  
}
  

  
Union:
  
{
  "name" : "union",
  "mode" : "Sparse|Dense",
  "typeIds" : [ /* integer */ ]
  
}
  

  在Union中的typeIds字段是用于表示每种类型的编码,其可以与从子数组的索引不同。这样就可以使用联合类型ids不需要从0开始枚举。
  Int:
  

{  "name" : "int",
  "bitWidth" : /* integer */,
  "isSigned" : /* boolean */
  
}
  

  FloatingPoint:
  

{  "name" : "floatingpoint",
  "precision" : "HALF|SINGLE|DOUBLE"
  
}
  

  Decimal:
  

{  "name" : "decimal",
  "precision" : /* integer */,
  "scale" : /* integer */
  
}
  

  Timestamp:
  

{  "name" : "timestamp",
  "unit" : "SECOND|MILLISECOND|MICROSECOND|NANOSECOND"
  
}
  

  Date:
  

{  "name" : "date",
  "unit" : "DAY|MILLISECOND"
  
}
  

  Time:
  

{  "name" : "time",
  "unit" : "SECOND|MILLISECOND|MICROSECOND|NANOSECOND",
  "bitWidth": /* integer: 32 or 64 */
  
}
  

  Interval:
  

{  "name" : "interval",
  "unit" : "YEAR_MONTH|DAY_TIME"
  
}
  

  
Schema:
  
{
  "fields" : [
  /* Field */
  ]
  
}
  

记录数据头
    RecordBatch是顶级命名的等长Arrow数组(或向量)的集合。如果其中一个数组包含嵌套数据,则其子数组不需要与顶级数组的长度相同。
    可以被认为是特定模式的实现。描述特定RecordBatch的元数据称为“数据头”。这是用于RecordBatch数据头的Flatbuffers的IDL
  

table RecordBatch {  length: long;
  nodes: ;
  buffers: ;
  
}
  

    所述RecordBatch元数据提供与长度超过2^31- 1的记录批次,但Arrow实现不要求实现支持超出这一大小。
    通过对给定的内存中数据集的模式(可能包含嵌套类型)进行深度优先遍历/扁平化,生成nodes和buffers字段。

缓冲区
    缓冲区是描述相对于某些虚拟地址空间的连续内存区域的元数据。这可能包括:


[*]共享内存,例如内存映射文件
[*]在内存中接收到RPC消息
[*]  文件中的数据
  缓冲区类型的键形式是:
  

struct Buffer {  
offset: long;
  
length: long;
  
}
  

    在record batch的上下文中,每个字段具有与其相关联的一些数量的缓冲区,它们源于其物理内存布局。
    每个逻辑类型(与其子节点分开,如果它是一个嵌套类型)具有与之相关联的确定性数量的缓冲区。这些将在逻辑类型部分中指定。

字段元数据
    所述FieldNode值包含关于在嵌套类型层次每个等级的元数据。
  

struct FieldNode {  
/// The number of value slots in the Arrow array at this level of a nested
  
/// tree
  
length: long;
  

  
/// The number of observed nulls.
  
null_count: lohng;
  
}
  

    所述FieldNode元数据提供长度超过2^31- 1的字段,但是Arrow不要求实现支持大型数组。

平铺嵌套数据
    嵌套类型以深度优先顺序在record batch中扁平化。当访问嵌套类型树中的每个字段时,元数据将附加到顶级fields数组,并将与该字段相关联的缓冲区(但不是其子级)附加到buffers数组。
    例如,让我们考虑模式:
  

col1: Struct  
col2: Utf8
  

  其扁平化版本是:
  

FieldNode 0: Struct name='col1'  
FieldNode 1: Int32 name=a'
  
FieldNode 2: List name='b'
  
FieldNode 3: Int64 name='item'# arbitrary
  
FieldNode 4: Float64 name='c'
  
FieldNode 5: Utf8 name='col2'
  

    对于生成的缓冲区,将具有以下内容(如下面对于每种类型的更详细描述):
  

buffer 0: field 0 validity bitmap  

  
buffer 1: field 1 validity bitmap
  
buffer 2: field 1 values
  

  
buffer 3: field 2 validity bitmap
  
buffer 4: field 2 list offsets
  

  
buffer 5: field 3 validity bitmap
  
buffer 6: field 3 values
  

  
buffer 7: field 4 validity bitmap
  
buffer 8: field 4 values
  

  
buffer 9: field 5 validity bitmap
  
buffer 10: field 5 offsets
  
buffer 11: field 5 data
  

逻辑类型
    逻辑类型由类型名称和元数据以及对物理内存表示的显式映射组成。这些可能分为不同的类别:


[*]表示为固定宽度基本类型数组(例如:C风格的整数和浮点数)
[*]具有与物理嵌套类型相等的内存布局的类型(例如,字符串使用列表(List)表示,但逻辑上不是嵌套类型)
整型
    在Arrow的第一个版本中,我们提供标准的8位到64位大小的标准C整数类型,包括有符号和无符号:
  ● 有符号类型:Int8,Int16,Int32,Int64
  ● 无符号类型:UInt8,UInt16,UInt32,UInt64
    IDL看起来像:
  

table Int {  
bitWidth: int;
  
is_signed: bool;
  
}

    整数字节顺序当前在模式级别全局设置。如果一个模式设置为little-endian(低位编址),那么出现在其中的所有整数类型都必须是little-endian。整数作为其他数据表示的一部分(如列表偏移量和联合类型)必须与整个Record Batch具有相同的字节顺序。

浮点数字
    我们提供3种类型的浮点数作为固定位宽的基本数组


[*]半精度,16位宽
[*]单精度,32位宽
[*]双精度,64位宽  IDL与下述类似:

  

enum Precision:int {HALF, SINGLE, DOUBLE}  

  
table FloatingPoint {
  precision: Precision;
  
}
  

Boolean
    布尔逻辑类型表示为1位宽的基本(原语)物理类型。这些位使用最低有效位(LSB)排序进行编号。
    像其他固定的位宽基本类型一样,布尔数据在数据头中显示为2个缓冲区(一个位图为有效向量,另一个为值)。

List
    List逻辑类型是(和相同名称)列表物理类型的逻辑对应。
    在数据头格式中,List字段节点包含2个缓冲区:


[*]有效位图
[*]列表偏移量    与List的子字段相关联的缓冲区根据子逻辑类型(例如,List对List)递归地处理。

Utf8和Binary
    我们为可变长度字节指定两种逻辑类型:

[*]Utf8 数据是具有UTF-8编码的unicode值
[*]Binary 是任何其他可变长度字节    这些类型都与嵌套类型List具有相同的内存布局,其约束是内部字节不能包含空值。从逻辑类型的角度来看,它们是原始的,而不是嵌套类型。
    在数据头格式中,虽然List会显示为2个字段节点(List 和UInt8)和4个缓冲区(每个节点为2个,如上所述),这些类型也有简单的表示单字段节点(Utf8或Binary 逻辑类型,没有子节点)和3个缓冲区:

[*]有效位图
[*]列表偏移量
[*]字节数据
[*]
Decimal
    TBD

Timestamp
    所有时间戳都以64位整数存储,有四个单位:秒,毫秒,微秒和纳秒。

Date
    支持两种不同的日期类型:


[*]自UNIX epoch以来的天数为32位整数
[*]从UNIX epoch开始的毫秒数为64位整数
Time
    时间支持相同的单位:秒,毫秒,微秒和纳秒。我们将时间表示为容纳指定单位的最小整数。对于秒和毫秒:32位,其他64位。

字典编码


页: [1]
查看完整版本: Apache Arrow官方文档-元数据